How to Get Inside the "Brain" of AI | Alona Fyshe | TED

60,071 views ・ 2023-04-03

TED


Por favor, faça duplo clique nas legendas em inglês abaixo para reproduzir o vídeo.

Tradutor: Margarida Ferreira Revisora: Clara Marques
00:04
People are funny.
0
4417
1127
As pessoas são engraçadas.
00:05
We're constantly trying to understand and interpret
1
5585
2544
Estamos constantemente a tentar compreender e interpretar
00:08
the world around us.
2
8171
1460
o mundo à nossa volta.
Vivo numa casa com dois gatos pretos e deixem-me que vos diga
00:10
I live in a house with two black cats, and let me tell you,
3
10090
2794
00:12
every time I see a black, bunched up sweater out of the corner of my eye,
4
12926
3462
sempre que vejo pelo canto do olho uma camisola preta e amarrotada,
00:16
I think it's a cat.
5
16388
1209
penso que é um gato.
Não são só as coisas que vemos.
00:18
It's not just the things we see.
6
18098
1585
00:19
Sometimes we attribute more intelligence than might actually be there.
7
19724
3587
Por vezes, atribuímos mais inteligência do que a que existe realmente.
00:23
Maybe you've seen the dogs on TikTok.
8
23770
1794
Talvez tenham visto os cães no TikTok.
00:25
They have these little buttons that say things like "walk" or "treat."
9
25605
3379
Eles têm aqueles botões que dizem coisas como ”passear” ou “biscoito”.
00:29
They can push them to communicate some things with their owners,
10
29025
3128
Podem levá-los a comunicar algumas coisas com os donos
00:32
and their owners think they use them
11
32195
1752
e os donos pensam que eles os utilizam
00:33
to communicate some pretty impressive things.
12
33947
2169
para comunicar algumas coisas impressionantes.
00:36
But do the dogs know what they're saying?
13
36491
2002
Mas os cães saberão o que é que os botões dizem?
00:39
Or perhaps you've heard the story of Clever Hans the horse,
14
39494
3462
Ou talvez já tenham ouvido a história do cavalo Hans Esperto,
00:42
and he could do math.
15
42956
1376
que sabia fazer contas.
00:44
And not just like, simple math problems, really complicated ones,
16
44374
3086
Não eram só problemas simples de matemática, eram mesmo complicados,
00:47
like, if the eighth day of the month falls on a Tuesday,
17
47460
3003
por exemplo: “Se o oitavo dia do mês cai numa terça-feira,
00:50
what's the date of the following Friday?
18
50463
1919
“em que data é a sexta-feira da semana seguinte?”
00:52
It's like, pretty impressive for a horse.
19
52841
2043
É muito impressionante para um cavalo.
00:55
Unfortunately, Hans wasn't doing math,
20
55927
2586
Infelizmente, Hans não sabia de matemática,
00:58
but what he was doing was equally impressive.
21
58555
2586
mas o que fazia era igualmente impressionante.
01:01
Hans had learned to watch the people in the room
22
61182
2670
Hans tinha aprendido a observar as pessoas na sala
01:03
to tell when he should tap his hoof.
23
63893
2002
para saber quando devia bater com o casco no chão.
01:05
So he communicated his answers by tapping his hoof.
24
65937
2461
Era como comunicava as respostas, batendo com o casco no chão.
01:08
It turns out that if you know the answer
25
68982
1918
Acontece que quem sabia a resposta
01:10
to "if the eighth day of the month falls on a Tuesday,
26
70942
2544
à pergunta “se o oitavo dia do mês é terça-feira,
01:13
what's the date of the following Friday,"
27
73528
1960
“qual é a data da sexta-feira da semana seguinte?”,
01:15
you will subconsciously change your posture
28
75488
2044
sem querer, mudava de posição
01:17
once the horse has given the correct 18 taps.
29
77532
2169
quando Hans batia com o casco 18 vezes.
01:20
So Hans couldn't do math,
30
80493
1293
Afinal, Hans não sabia fazer contas,
01:21
but he had learned to watch the people in the room who could do math,
31
81786
3254
mas aprendera a observar as pessoas que sabiam fazer contas,
o que, repito, continua a ser impressionante para um cavalo.
01:25
which, I mean, still pretty impressive for a horse.
32
85081
2419
01:28
But this is an old picture,
33
88418
1418
Mas isto é uma foto antiga
01:29
and we would not fall for Clever Hans today.
34
89836
2252
e hoje o Hans Esperto não nos enganaria.
01:32
Or would we?
35
92672
1168
Ou enganaria?
(Risos)
01:34
Well, I work in AI,
36
94549
2169
Eu trabalho em IA
01:36
and let me tell you, things are wild.
37
96718
2002
e, digo-vos, as coisas estão feias.
01:38
There have been multiple examples of people being completely convinced
38
98720
3754
Tem havido imensos exemplos de pessoas totalmente convencidas
01:42
that AI understands them.
39
102515
1502
de que a IA as compreende.
01:44
In 2022,
40
104559
2711
Em 2022,
um engenheiro da Google pensou que a IA da Google era sensível.
01:47
a Google engineer thought that Google’s AI was sentient.
41
107270
3337
01:50
And you may have had a really human-like conversation
42
110649
2752
E vocês já podem ter tido uma conversa parecida com um ser humano
01:53
with something like ChatGPT.
43
113401
1877
com uma coisa como o ChatGPT.
01:55
But models we're training today are so much better
44
115779
2377
Mas os modelos que treinamos hoje são muito melhores
01:58
than the models we had even five years ago.
45
118198
2002
do que os modelos que tínhamos há cinco anos.
02:00
It really is remarkable.
46
120200
1710
É impressionante.
02:02
So at this super crazy moment in time,
47
122744
2502
Neste momento super louco,
02:05
let’s ask the super crazy question:
48
125288
2127
vamos fazer uma pergunta super louca:
02:07
Does AI understand us,
49
127832
1293
Será que a IA nos compreende
02:09
or are we having our own Clever Hans moment?
50
129167
2878
ou estamos a ter um momento de Hans Esperto?
02:13
Some philosophers think that computers will never understand language.
51
133254
3462
Alguns filósofos acham que os computadores nunca compreenderão a linguagem.
02:16
To illustrate this, they developed something they call
52
136716
2628
Para ilustrar isso, desenvolveram uma coisa a que chamam
02:19
the Chinese room argument.
53
139344
1460
o argumento do quarto chinês.
02:21
In the Chinese room, there is a person, hypothetical person,
54
141429
3629
No quarto chinês há uma pessoa, uma pessoa hipotética,
02:25
who does not understand Chinese,
55
145100
1835
que não percebe chinês,
02:26
but he has along with him a set of instructions
56
146976
2211
mas tem consigo um conjunto de instruções
02:29
that tell him how to respond in Chinese to any Chinese sentence.
57
149229
4212
que lhe dizem como responder em chinês a qualquer pergunta em chinês.
02:33
Here's how the Chinese room works.
58
153983
1669
Eis como funciona o quarto chinês.
02:35
A piece of paper comes in through a slot in the door,
59
155652
2502
Enfiam um papel por uma ranhura na porta,
02:38
has something written in Chinese on it.
60
158196
2461
que tem escrito qualquer coisa em chinês.
02:40
The person uses their instructions to figure out how to respond.
61
160699
3003
A pessoa usa as instruções que tem para saber como há de responder.
02:43
They write the response down on a piece of paper
62
163702
2293
Escreve a resposta na folha de papel
e depois devolve-a pela ranhura na porta.
02:46
and then send it back out through the door.
63
166037
2252
02:48
To somebody who speaks Chinese,
64
168331
1502
Para alguém que fala chinês e que está fora do quarto,
02:49
standing outside this room,
65
169833
1293
pode parecer que a pessoa dentro do quarto fala chinês.
02:51
it might seem like the person inside the room speaks Chinese.
66
171167
3170
02:54
But we know they do not,
67
174337
2753
Mas nós sabemos que isso não é verdade
02:57
because no knowledge of Chinese is required to follow the instructions.
68
177090
4546
porque ela não precisa de saber chinês para seguir as instruções.
03:01
Performance on this task does not show that you know Chinese.
69
181636
2961
O êxito desta tarefa não prova que ela sabe chinês.
03:05
So what does that tell us about AI?
70
185807
2002
Então o que é que isto nos diz sobre a IA?
03:08
Well, when you and I stand outside of the room,
71
188226
2753
Quando vocês ou eu estamos do lado de fora do quarto,
03:11
when we speak to one of these AIs like ChatGPT,
72
191020
4547
quando falamos com uma dessas IA como o caso do ChatGPT,
03:15
we are the person standing outside the room.
73
195567
2085
somos a pessoa que está fora do quarto.
03:17
We're feeding in English sentences,
74
197652
1710
Estamos a fornecer frases em inglês
03:19
we're getting English sentences back.
75
199362
2127
e recebemos respostas em inglês.
03:21
It really looks like the models understand us.
76
201531
2419
Parece mesmo que os modelos nos compreendem.
03:23
It really looks like they know English.
77
203992
2502
Parece mesmo que sabem inglês.
Mas, se investigarmos,
03:27
But under the hood,
78
207203
1168
03:28
these models are just following a set of instructions, albeit complex.
79
208371
3754
estes modelos estão apenas a seguir uma série de instruções, muito complexas.
03:32
How do we know if AI understands us?
80
212917
2795
Como é que sabemos se a IA nos compreende?
03:36
To answer that question, let's go back to the Chinese room again.
81
216880
3086
Para responder a esta pergunta, voltemos ao quarto chinês.
03:39
Let's say we have two Chinese rooms.
82
219966
1794
Digamos que temos dois quartos chineses.
03:41
In one Chinese room is somebody who actually speaks Chinese,
83
221801
3879
Num dos quartos está alguém que fala chinês,
03:46
and in the other room is our impostor.
84
226014
1877
e no outro quarto está o nosso impostor.
03:48
When the person who actually speaks Chinese gets a piece of paper
85
228224
3087
Quando a pessoa que fala chinês recebe um papel
que tem escrito qualquer coisa em chinês, consegue lê-lo, sem problemas.
03:51
that says something in Chinese in it, they can read it, no problem.
86
231311
3170
03:54
But when our imposter gets it again,
87
234522
1752
Mas, quando o impostor o recebe,
03:56
he has to use his set of instructions to figure out how to respond.
88
236274
3170
tem de usar o conjunto de instruções para saber como há de responder.
03:59
From the outside, it might be impossible to distinguish these two rooms,
89
239819
3671
Do lado de fora, pode ser impossível distinguir esses dois quartos,
04:03
but we know inside something really different is happening.
90
243531
3587
mas sabemos que lá dentro está a acontecer uma coisa diferente.
04:07
To illustrate that,
91
247660
1168
Para ilustrar isso,
04:08
let's say inside the minds of our two people,
92
248870
2836
digamos que os cérebros das duas pessoas
04:11
inside of our two rooms,
93
251748
1585
que estão nos dois quartos,
04:13
is a little scratch pad.
94
253374
1752
são um pequeno bloco de notas.
04:15
And everything they have to remember in order to do this task
95
255168
2878
Para cumprirem a sua tarefa, só têm de se lembrar
de tudo o que tem de ser escrito nesse bloco de notas.
04:18
has to be written on that little scratch pad.
96
258046
2169
04:20
If we could see what was written on that scratch pad,
97
260757
2586
Se pudéssemos ver o que foi escrito nesse bloco de notas,
04:23
we would be able to tell how different their approach to the task is.
98
263384
3421
veríamos como é diferente a sua abordagem à tarefa.
04:27
So though the input and the output of these two rooms
99
267514
2502
Embora o input e o output nesses dois quartos
04:30
might be exactly the same,
100
270016
1293
seja exatamente o mesmo,
04:31
the process of getting from input to output -- completely different.
101
271309
3337
o processo de passar do input para o output é totalmente diferente.
04:35
So again, what does that tell us about AI?
102
275897
2294
Portanto, o que é que isto nos diz sobre a IA?
04:38
Again, if AI, even if it generates completely plausible dialogue,
103
278691
3838
Se a IA, mesmo que gere um diálogo totalmente plausível,
04:42
answers questions just like we would expect,
104
282529
2085
responde a perguntas tal como seria de esperar,
04:44
it may still be an imposter of sorts.
105
284614
2377
não deixa de ser uma espécie de impostor.
Se queremos saber se a IA compreende a linguagem, tal como nós,
04:47
If we want to know if AI understands language like we do,
106
287033
3003
é preciso saber o que é que está a fazer.
04:50
we need to know what it's doing.
107
290078
1835
04:51
We need to get inside to see what it's doing.
108
291955
2335
É preciso entrar lá dentro para ver o que está a acontecer.
04:54
Is it an imposter or not?
109
294332
1585
É um impostor ou não?
04:55
We need to see its scratch pad,
110
295959
1835
Precisamos de ver o bloco de notas
04:57
and we need to be able to compare it
111
297794
1752
e precisamos de o comparar
04:59
to the scratch pad of somebody who actually understands language.
112
299587
3212
com o bloco de notas de alguém que saiba falar a língua.
05:02
But like scratch pads in brains,
113
302841
1751
Mas, tal como os blocos de notas do cérebro,
05:04
that's not something we can actually see, right?
114
304634
2336
isso é uma coisa que não podemos ver, não é?
05:07
Well, it turns out that we can kind of see scratch pads in brains.
115
307720
3337
Acontece que podemos ver o bloco de notas dos cérebros.
05:11
Using something like fMRI or EEG,
116
311099
2127
Usando uma coisa como o fMRI ou o EEG,
05:13
we can take what are like little snapshots of the brain while it’s reading.
117
313268
3712
podemos tirar pequenos instantâneos do cérebro enquanto ele está a ler.
05:17
So have people read words or stories and then take pictures of their brain.
118
317021
4171
Assim, pomos as pessoas a ler palavras ou histórias
e tiramos fotos do cérebro delas.
05:21
And those brain images are like fuzzy,
119
321192
2252
Essas imagens do cérebro são imagens difusas,
05:23
out-of-focus pictures of the scratch pad of the brain.
120
323486
3253
desfocadas do bloco de notas do cérebro.
05:26
They tell us a little bit about how the brain is processing
121
326739
3045
Dizem-nos algumas coisas sobre como o cérebro está a processar
05:29
and representing information while you read.
122
329784
2461
e a representar informações enquanto leem.
Estas são três imagens de um cérebro
05:33
So here are three brain images taken while a person read the word "apartment,"
123
333079
4087
tiradas enquanto uma pessoa lê
as palavras “apartamento”, “casa” e ”aipo”.
05:37
"house" and "celery."
124
337208
1669
05:39
You can see just with your naked eye
125
339252
2002
Vemos a olho nu
que as imagens do cérebro para “apartamento” e “casa”
05:41
that the brain image for "apartment" and "house"
126
341296
2252
05:43
are more similar to each other
127
343548
1585
têm mais semelhança uma com a outra
05:45
than they are to the brain image for "celery."
128
345133
2252
do que com a imagem do cérebro para “aipo”.
05:47
And you know, of course that apartments and houses are more similar
129
347385
3170
Sabemos que apartamentos e casas têm mais parecenças
05:50
than they are to celery, just the words.
130
350555
2210
do que têm com aipo, mas são só palavras.
05:52
So said another way,
131
352807
2544
Dito de outra maneira,
05:55
the brain uses its scratchpad when reading the words "apartment" and "house"
132
355393
4296
o cérebro usa o seu bloco de notas
quando lê as palavras “apartamento” e “casa”
05:59
in a way that's more similar than when you read the word "celery."
133
359731
3128
de forma mais semelhante do que quando lê a palavra “aipo”.
06:03
The scratch pad tells us a little bit
134
363693
1793
O bloco de notas diz-nos mais coisas
06:05
about how the brain represents the language.
135
365486
2086
sobre como o cérebro representa a linguagem.
06:07
It's not a perfect picture of what the brain's doing,
136
367572
2502
Não é uma imagem perfeita do que o cérebro está a fazer,
06:10
but it's good enough.
137
370074
1335
mas é suficientemente boa.
06:11
OK, so we have scratch pads for the brain.
138
371409
2169
Portanto, temos blocos de notas para o cérebro.
06:13
Now we need a scratch pad for AI.
139
373620
2127
Agora precisamos de um bloco de notas para a IA.
06:16
So inside a lot of AIs is a neural network.
140
376706
2878
No interior de muitas IAs há uma rede neural.
06:19
And inside of a neural network is a bunch of these little neurons.
141
379626
3253
No interior duma rede neural há um grupo destes pequenos neurónios.
06:22
So here the neurons are like these little gray circles.
142
382921
2919
Aqui os neurónios são estes pequenos círculos cinzentos.
06:25
And we would like to know
143
385840
1210
Gostaríamos de saber
o que é um bloco de notas duma rede neural?
06:27
what is the scratch pad of a neural network?
144
387091
2086
06:29
Well, when we feed in a word into a neural network,
145
389177
4254
Quando introduzimos uma palavra numa rede neural,
06:33
each of the little neurons computes a number.
146
393473
2794
cada um dos pequenos neurónios calcula um número.
06:36
Those little numbers I'm representing here with colors.
147
396893
2627
Esses pequenos números estão representados aqui com cores.
06:39
So every neuron computes this little number,
148
399562
2795
Cada neurónio calcula este pequeno número,
06:42
and those numbers tell us something
149
402398
1710
e esses números dizem-nos qualquer coisa
06:44
about how the neural network is processing language.
150
404108
2711
sobre como a rede neural está a processar a linguagem.
06:47
Taken together,
151
407862
1168
Em conjunto,
06:49
all of those little circles paint us a picture
152
409030
2753
todos estes pequenos círculos dão-nos uma imagem
06:51
of how the neural network is representing language,
153
411824
2419
de como a rede neural está a representar a linguagem
06:54
and they give us the scratch pad of the neural network.
154
414243
2753
e dão-nos o bloco de notas da rede neural.
06:57
OK, great.
155
417580
1168
Ótimo.
06:58
Now we have two scratch pads, one from the brain and one from AI.
156
418790
3086
Agora temos dois blocos de notas, um do cérebro e outro da IA.
07:01
And we want to know: Is AI doing something like what the brain is doing?
157
421876
3629
Queremos saber se a IA faz o mesmo que o cérebro está a fazer.
07:05
How can we test that?
158
425838
1377
Como podemos testar isso?
07:07
Here's what researchers have come up with.
159
427757
2002
Isto é o que os investigadores descobriram.
07:09
We're going to train a new model.
160
429801
1877
Vamos treinar um novo modelo.
07:11
That new model is going to look at neural network scratch pad
161
431678
2877
Esse modelo novo vai olhar para o bloco de notas da rede neural
07:14
for a particular word
162
434555
1168
para uma determinada palavra
07:15
and try to predict the brain scratch pad for the same word.
163
435723
3087
e tentar prever o bloco de notas do cérebro para a mesma palavra.
07:18
We can do it, by the way, around two.
164
438851
1919
Podemos fazer isto para as duas coisas.
07:20
So let's train a new model.
165
440812
2043
Portanto, vamos treinar um novo modelo.
07:22
It’s going to look at the neural network scratch pad for a particular word
166
442897
3504
Ele vai olhar para o bloco de notas da rede neural, para uma certa palavra
07:26
and try to predict the brain scratchpad.
167
446401
1918
e tentar prever o bloco de notas do cérebro.
07:28
If the brain and AI are doing nothing alike,
168
448319
2586
Se o cérebro e a IA não estão a fazer a mesma coisa,
07:30
have nothing in common,
169
450947
1168
se não têm nada em comum,
07:32
we won't be able to do this prediction task.
170
452115
2085
não podemos fazer esta tarefa de previsão.
07:34
It won't be possible to predict one from the other.
171
454200
2461
Não será possível prever uma a partir da outra.
07:36
So we've reached a fork in the road
172
456995
1710
Assim, chegámos a uma bifurcação
07:38
and you can probably tell I'm about to tell you one of two things.
173
458705
3295
e, provavelmente, vocês podem dizer que eu vou dizer uma de duas coisas.
07:42
I’m going to tell you AI is amazing,
174
462458
2044
Vou dizer que a IA é fantástica,
07:44
or I'm going to tell you AI is an imposter.
175
464544
2669
ou vou dizer que a IA é uma impostora.
Os investigadores como eu adoram lembrar-vos
07:48
Researchers like me love to remind you
176
468047
2211
07:50
that AI is nothing like the brain.
177
470299
1627
que a IA é muito diferente do cérebro.
07:51
And that is true.
178
471968
1501
E isso é verdade.
07:53
But could it also be the AI and the brain share something in common?
179
473845
3253
Mas pode acontecer que haja alguma coisa em comum entre a IA e o cérebro?
07:58
So we’ve done this scratch pad prediction task,
180
478516
2211
Fizemos esta tarefa de previsão do bloco de notas
08:00
and it turns out, 75 percent of the time
181
480727
2669
e acontece que 75% das vezes
a previsão do bloco de notas da rede neural para uma certa palavra
08:03
the predicted neural network scratchpad for a particular word
182
483438
3169
08:06
is more similar to the true neural network scratchpad for that word
183
486649
3754
é mais semelhante ao verdadeiro bloco de notas da rede neural
para a mesma palavra
08:10
than it is to the neural network scratch pad
184
490403
2085
do que é para o bloco de notas da rede neural
08:12
for some other randomly chosen word --
185
492488
1835
para qualquer outra palavra escolhida ao acaso.
08:14
75 percent is much better than chance.
186
494323
2962
75% é muito melhor do que o acaso.
E para coisas mais complicadas, para frases, e histórias até?
08:17
What about for more complicated things,
187
497285
1918
08:19
not just words, but sentences, even stories?
188
499203
2086
De novo, esta tarefa de previsão do bloco de notas funciona.
08:21
Again, this scratch pad prediction task works.
189
501330
2420
08:23
We’re able to predict the neural network scratch pad from the brain and vice versa.
190
503791
4213
Conseguimos prever o bloco de notas da rede neural
a partir do cérebro e vice-versa.
08:28
Amazing.
191
508838
1210
Espantoso!
08:30
So does that mean
192
510548
1168
Então, isso significa
08:31
that neural networks and AI understand language just like we do?
193
511758
3378
que as redes neurais e a IA compreendem a linguagem, tal como nós compreendemos?
08:35
Well, truthfully, no.
194
515511
1585
Na verdade, não.
08:37
Though these scratch pad prediction tasks show above-chance accuracy,
195
517513
4880
Embora estas tarefas de previsão dos blocos de notas
mostre um rigor para além do acaso,
08:42
the underlying correlations are still pretty weak.
196
522393
2378
as correlações subjacentes ainda são muito fracas.
E embora as redes neurais sejam inspiradas pelo cérebro,
08:45
And though neural networks are inspired by the brain,
197
525188
2502
08:47
they don't have the same kind of structure and complexity
198
527690
2711
não têm o mesmo tipo de estrutura e de complexidade
08:50
that we see in the brain.
199
530401
1210
que vemos no cérebro.
As redes neurais também não existem no mundo.
08:52
Neural networks also don't exist in the world.
200
532028
2461
08:54
A neural network has never opened a door
201
534530
2086
Uma rede neural nunca abriu uma porta
08:56
or seen a sunset, heard a baby cry.
202
536657
2962
nem viu um pôr-do-sol, nunca ouviu um bebé chorar.
09:00
Can a neural network that doesn't actually exist in the world,
203
540161
2961
Poderá uma rede neural que não existe no mundo,
que nunca experimentou realmente o mundo,
09:03
hasn't really experienced the world,
204
543122
1794
09:04
really understand language about the world?
205
544916
2294
compreender a linguagem sobre o mundo?
Contudo, estas experiências de previsão do bloco de notas têm resistido
09:08
Still, these scratch pad prediction experiments have held up --
206
548169
2961
09:11
multiple brain imaging experiments,
207
551130
1710
— experiências de imagiologia cerebral,
09:12
multiple neural networks.
208
552840
1418
múltiplas redes neuronais.
09:14
We've also found that as the neural networks get more accurate,
209
554300
2961
Também descobrimos que, à medida que as redes neurais ficam mais precisas,
09:17
they also start to use their scratch pad in a way
210
557261
2711
também começam a usar o seu bloco de notas
09:20
that becomes more brain-like.
211
560014
2002
de uma forma mais parecida com o cérebro.
09:22
And it's not just language.
212
562058
1293
E não é apenas a linguagem.
09:23
We've seen similar results in navigation and vision.
213
563392
2503
Temos visto resultados semelhantes na navegação e na visão.
09:26
So AI is not doing exactly what the brain is doing,
214
566270
3879
A IA não está a fazer exatamente o que o cérebro faz,
09:30
but it's not completely random either.
215
570191
2377
mas também não é totalmente ao acaso.
09:34
So from where I sit,
216
574112
1835
Do meu ponto de vista,
09:35
if we want to know if AI really understands language like we do,
217
575988
3337
se queremos saber se a IA compreende a linguagem, tal como nós,
09:39
we need to get inside of the Chinese room.
218
579325
2336
temos de entrar no quarto chinês.
09:41
We need to know what the AI is doing,
219
581702
1836
Precisamos de saber o que a IA está a fazer
09:43
and we need to be able to compare that to what people are doing
220
583579
2962
e precisamos de poder comparar isso com o que as pessoas fazerm
09:46
when they understand language.
221
586541
1751
quando compreendem a linguagem.
09:48
AI is moving so fast.
222
588334
1877
A IA está a avançar muito depressa.
09:50
Today, I'm asking you, does AI understand language
223
590545
2377
Hoje, pergunto-vos se a IA compreende a linguagem.
09:52
that might seem like a silly question in ten years.
224
592964
2460
Isto pode parecer uma pergunta idiota daqui a 10 anos.
09:55
Or ten months.
225
595466
1168
Ou daqui a 10 meses.
09:56
(Laughter)
226
596634
1919
(Risos)
09:58
But one thing will remain true.
227
598594
1544
Mas uma coisa continua a ser verdade.
10:00
We are meaning-making humans,
228
600179
1460
Somos seres humanos criadores de significados
10:01
and we are going to continue to look for meaning
229
601681
2878
e vamos continuar a olhar para o significado
10:04
and interpret the world around us.
230
604559
1918
e interpretar o mundo à nossa volta.
10:06
And we will need to remember
231
606477
2127
Precisamos de nos lembrar
10:08
that if we only look at the input and output of AI,
232
608646
2794
de que, se só olharmos para o input e o output da IA,
10:11
it's very easy to be fooled.
233
611440
2128
é fácil sermos enganados.
10:13
We need to get inside of the metaphorical room of AI
234
613609
3712
Precisamos de entrar no quarto metafórico da IA
10:17
in order to see what's happening.
235
617363
1627
para ver o que está a acontecer.
10:19
It's what's inside the counts.
236
619740
2461
É o que está lá dentro que conta.
10:22
Thank you.
237
622660
1168
Obrigada.
10:23
(Applause)
238
623828
4004
(Aplausos)
Sobre este site

Este sítio irá apresentar-lhe vídeos do YouTube que são úteis para a aprendizagem do inglês. Verá lições de inglês ensinadas por professores de primeira linha de todo o mundo. Faça duplo clique nas legendas em inglês apresentadas em cada página de vídeo para reproduzir o vídeo a partir daí. As legendas deslocam-se em sincronia com a reprodução do vídeo. Se tiver quaisquer comentários ou pedidos, por favor contacte-nos utilizando este formulário de contacto.

https://forms.gle/WvT1wiN1qDtmnspy7